Métodos de estimação de multidão buscam determinar a quantidade de pessoas em uma imagem ou vídeo. Estes conceitos e técnicas tem sido sistematicamente explorados e desenvolvidos recentemente, com aplicações diversas em áreas como supervisão e segurança. Embora exista uma grande quantidade de bases de dados de imagens disponíveis para desenvolvimento e validação de métodos de estimação, são necessários novos estudos que avaliem sistematicamente o efeito das variáveis de obtenção das imagens no desempenho dos métodos de estimação. A proposta deste trabalho foi desenvolver um modelo computacional para a geração automática de imagens sintéticas de multidões e avaliar o desempenho de métodos de estimação de multidão baseados em textura nessas imagens. O ambiente virtual computacional é composto por um cenário tridimensional onde diversos modelos de pessoas são distribuídos em um plano. A distribuição de modelos, suas características, a distância e a direção da visão da câmera foram sistematicamente variados e as imagens obtidas foram analisadas por três métodos de estimação de multidão baseados em textura. A estimativa da medida foi derivada a partir do conjunto dos métodos e, em seguida, derivou-se uma estimativa para cada método. Os resultados indicaram que as condições de melhor estimação, em geral, foram com a câmera acima da multidão, multidões distribuídas uniformemente e indivíduos heterogêneos. Também foi encontrado que a precisão da estimação é menor quanto maior o número de pessoas, quanto mais distante está a câmera, quanto mais varia a densidade de multidão sobre a superfície e quanto mais paralelo está o ângulo de visão da câmera em relação ao horizonte. Por fim, um dos três métodos apresentou desempenho de estimação maior em multidões homogêneas quando analisados em separado. A abordagem computacional proposta neste estudo mostrou-se adequada para a avaliação e comparação de medidas de estimação de multidão e pode ser expandida e refinada para incluir novos parâmetros em trabalhos futuros.

Crowd estimation methods seek to determine the number of people in an image or video. These concepts and techniques have been systematically explored and developed recently, with diverse applications in areas such as surveillance and safety. Although several databases are currently available for development and validation of estimation methods, further studies are needed to systematically evaluate the effects of imaging variables on the performance of estimation methods. This work proposal was to develop a computational model for automatic generation of synthetic crowd images and to evaluate the performance of texture-based crowd estimation methods in these images. The computational virtual environment is composed of a three-dimensional scenario where several models of people are distributed in a plane. The distribution of models, their characteristics, the distance and the direction of camera view were systematically varied and the images obtained were analyzed by three texture-based crowd estimation methods. The estimate of the measurement was derived from the set of methods and, afterwards, an estimate was derived for each method. The results indicated that the best estimation conditions, in general, were with the camera above the crowd, uniformly distributed crowds and heterogeneous individuals. It has also been found that the estimation accuracy is lower the larger the number of people, the farther the camera is, the greater the variation in crowd density over the surface and the more parallel the cameras viewing angle to the horizon. Finally, one of the three methods presented higher estimation performance in homogeneous crowds when analyzed separately. The computational approach proposed in this study was proved adequate to evaluate and compare crowd estimation measures and it can be expanded and refined to include new parameters in future work.